预测的态度

预测的态度

多元素的态度模型

这个模型的目的是要预测来自它们的各个组成部分的评价。根据Fishbein,在这个领域中最著名的研究者，朝向一个目标的态度是一个程序：

·目标有某种因素的信仰的力量

·这些因素的渴望

·这些因素的数量

这些特性是指定义一个目标的元素。例如，真空吸尘器的一些特性是指：

·有储存盒

·能清理液体

·颜色

·是横放的而不是直立的

Fishbein模型

Fishbein的模型说明，如果客户强烈地相信一个目标有一些积极的、渴望的因素，那么它能被给予更加积极的评级。这个模型能通过如下公式进行列示：

在这里：

b_i代表了一个目标包含因素的信仰的力量

e_i代表了对于期望因素的一个评价

n代表了因素的数量

这些能被表示为信仰与对于所有因素的评价的乘积的和。

通常情况下，b与一个从1（对于因素的强烈的信仰）到3（对于体现的不确定性）的级别，以及对于态度的从1（高度渴望）到7（不渴望）渴望性的评价相关。

假设我们被要求对于某一个特殊的CD播放器进行评价。通常情况下有下列的因素：

·音质

·便携性

·容易使用

我们可能就会寻找一些潜在的购买商关于他们对于这些因素的观点进行评价。如果一个人认为音质是好的，他们可能会把音质评价为1；如果音质对于他们来说仅仅是一般的重要，他们就可能把其重要性评价为8。在这个趋势中继续下去，就可能建立起对于每一个因素的评价。下表显示了来自个人的一些数据：

对于这个品牌的态度的得分是17。这个分数越高，朝向这个态度的因素就越不讨人喜爱。最大的得分（如果足够糟糕的话）是把因素的数量乘以21。因此，对于一个三因素分析模型，最糟糕的分数是3×21=63。

这个方法对期望进行品牌对比的市场家来说是很有用的。

练习8.5

寻找两个设计不同的电话——不同程度越高越好。挑选四个因素，并且对你挑选的电话进行单独地分析。例如，一个因素可能是电话的音质，而另一个因素可能是“有拨号记忆功能”。

哪一个电话更好一些？

◆拓展的Fishbein模型

正如我们前面所讨论的那样，态度并不必然导致相关的行为。为了提高Fishbein原始的模型的正确性，William(1981)对其进行了修改，使得评价不是只针对一个目标，而是针对某个特殊的行动的行为的产出。从统计方面看，模型公式是一样的，但是模型的意义是非常不同的。

在这里：

b_i代表了行为导致了特殊的产出的信仰的力量

e_i代表了对于产出的评价和渴望

n代表了产出的数量

如果顾客相信购买一个产品将会导致一个很大数量的渴望的产出，那么他们就更加可能去购买它。

例如，你可能会买一部快车，并不是因为它快，而是因为它的速度的效果，从A挡切换到B挡时更快；要在朋友面前留下印象；要更加容易地在机车道上行驶。根据扩展的模型，我们能够正确地预测行为，仅仅当我们对这些效果进行评价，而不是对这辆车的一些因素进行评价。建立在我们前面介绍过的介于行为和态度之间的联结的关注，这个模型更加可能产生可靠的效果。

标准的和拓展的Fishbein模型之间的不同，将用一个例子进行更好地列示。假设我们被要求去预测下一轮投票的倾向。根据标准的Fishbein模型，我们应该先找出不同政治团体的对于人们来说比较重要的因素，然后根据这些因素对这些政治团体进行评价。这个团体获得的评价将会被看做是对于人们投票的一个指示，例如，调查时候得到最好的评级的团体最可能取得胜利。图8.19是我们在调查中可能使用的因素的一个例子。

图8.19　使用Fishbein模型对投票的结果进行评价

根据拓展的模型，我们将会看到对于人们重要的产出，以及投票给每一个党派可能带来的结果。图8.20是如果我们使用拓展模型的话可能导致的一个结果。

图8.20　使用拓展的Fishbein模型对投票的倾向进行预测

练习8.6

使用Fishbein和拓展的Fishbein模型对上面两个政治评级表格（见图8.19和图8.20）进行填充。

这些模型预测了不同的投票倾向。如果这样的话，考虑一下为什么会出现这种结果。你认为哪一个更加准确地衡量了投票的行为。